大数据开发：剖析Hadoop和Spark的Shuffle过程差异

一、前言

对于基于MapReduce编程范式的分布式计算来说，本质上而言，就是在计算数据的交、并、差、聚合、 排序 等过程。而分布式计算分而治之的思想，让每个节点只计算部分数据，也就是只处理一个分片，那么要想求得某个key对应的全量数据，那就必须把相同key的数据汇集到同一个Reduce任务节点来处理，那么Mapreduce范式定义了一个叫做Shuffle的过程来实现这个效果。

二、编写本文的目 的

本文旨在剖析Hadoop和Spark的Shuffle过程，并对比两者Shuffle的差异。

三、Hadoop的Shuffle过程

Shuffle描述的是数据从Map端到Reduce端的过程，大数据学习kou群74零零加【41三八yi】大致分为排序(sort)、溢写(spill)、合并(merge)、拉取拷贝(Copy)、合并排序(merge sort)这几个过程，大体流程如下：

![image](https://yqfile.alicdn.com/e4ccedfb6ccaaa0d3c0ad5b3b7ab83d96dd9fed2.png) 

上图的Map的输出的文件被分片为红绿蓝三个分片，这个分片的就是根据Key为条件来分片的，分片算法可以自己实现，例如Hash、Range等，最终Reduce任务只拉取对应颜色的数据来进行处理，就实现把相同的Key拉取到相同的Reduce节点处理的功能。下面分开来说Shuffle的的各个过程。

Map端做了下图所示的操作：

1、Map端sort 

Map端的输出数据，先写环形缓存区kvbuffer，当环形缓冲区到达一个阀值(可以通过配置文件设置，默认80)，便要开始溢写，但溢写之前会有一个sort操作，这个sort操作先把Kvbuffer中的数据按照partition值和key两个关键字来排序，移动的只是索引数据，排序结果是Kvmeta中数据按照partition为单位聚集在一起，同一partition内的按照key有序。

2、spill(溢写) 
 
当排序完成，便开始把数据刷到磁盘，刷磁盘的过程以分区为单位，一个分区写完，写下一个分区，分区内数据有序，最终实际上会多次溢写，然后生成多个文件 
 
3、merge(合并) 
 
spill会生成多个小文件，对于Reduce端拉取数据是相当低效的，那么这时候就有了merge的过程，合并的过程也是同分片的合并成一个片段(segment)，最终所有的segment组装成一个最终文件，那么合并过程就完成了,如下图所示 

至此，Map的操作就已经完成，Reduce端操作即将登场

Reduce操作

总体过程如下图的红框处：

![image](https://yqfile.alicdn.com/71a52ed4799d3dbbde4552028f3aea05bc1c98c0.png) 
 
1、拉取拷贝(fetch copy) 

Reduce任务通过向各个Map任务拉取对应分片。这个过程都是以Http协议完成，每个Map节点都会启动一个常驻的HTTP server服务，Reduce节点会请求这个Http Server拉取数据，这个过程完全通过网络传输，所以是一个非常重量级的操作。

1. 2、合并排序 

Reduce端，拉取到各个Map节点对应分片的数据之后，会进行再次排序，排序完成，结果丢给Reduce函数进行计算。

四、总结

至此整个shuffle过程完成，最后总结几点：

1. shuffle过程就是为了对key进行全局聚合
2. 排序操作伴随着整个shuffle过程，所以Hadoop的shuffle是sort-based的

Spark shuffle相对来说更简单，因为不要求全局有序，所以没有那么多排序合并的操作。Spark shuffle分为write和read两个过程。我们先来看shuffle write。

• 一、shuffle write

shuffle write的处理逻辑会放到该ShuffleMapStage的最后(因为spark以shuffle发生与否来划分stage，也就是宽依赖)，final RDD的每一条记录都会写到对应的分区缓存区bucket，如下图所示：

说明：

1. 上图有2个CPU，可以同时运行两个ShuffleMapTask
2. 每个task将写一个buket缓冲区，缓冲区的数量和reduce任务的数量相等
3. 每个buket缓冲区会生成一个对应ShuffleBlockFile
4. ShuffleMapTask 如何决定数据被写到哪个缓冲区呢?这个就是跟partition算法有关系，这个分区算法可以是hash的，也可以是range的
5. 最终产生的ShuffleBlockFile会有多少呢?就是ShuffleMapTask 数量乘以reduce的数量，这个是非常巨大的

那么有没有办法解决生成文件过多的问题呢?有，开启FileConsolidation即可，开启FileConsolidation之后的shuffle过程如下：

在同一核CPU执行先后执行的ShuffleMapTask可以共用一个bucket缓冲区，然后写到同一份ShuffleFile里去，上图所示的ShuffleFile实际上是用多个ShuffleBlock构成，那么，那么每个worker最终生成的文件数量，变成了cpu核数乘以reduce任务的数量，大大缩减了文件量。

• 二、Shuffle read

Shuffle write过程将数据分片写到对应的分片文件，这时候万事具备，只差去拉取对应的数据过来计算了。

那么Shuffle Read发送的时机是什么?是要等所有ShuffleMapTask执行完，再去fetch数据吗?理论上，只要有一个 ShuffleMapTask执行完，就可以开始fetch数据了，实际上，spark必须等到父stage执行完，才能执行子stage，所以，必须等到所有 ShuffleMapTask执行完毕，才去fetch数据。fetch过来的数据，先存入一个Buffer缓冲区，所以这里一次性fetch的FileSegment不能太大，当然如果fetch过来的数据大于每一个阀值，也是会spill到磁盘的。

fetch的过程过来一个buffer的数据，就可以开始聚合了，这里就遇到一个问题，每次fetch部分数据，怎么能实现全局聚合呢?以word count的reduceByKey(《Spark RDD操作之ReduceByKey 》)为例，假设单词hello有十个，但是一次fetch只拉取了2个，那么怎么全局聚合呢?Spark的做法是用HashMap，聚合操作实际上是map.put(key,map.get(key)+1)，将map中的聚合过的数据get出来相加，然后put回去，等到所有数据fetch完，也就完成了全局聚合。

• 三、总结

Hadoop的MapReduce Shuffle和Spark Shuffle差别总结如下：

1. Hadoop的有一个Map完成，Reduce便可以去fetch数据了，不必等到所有Map任务完成，而Spark的必须等到父stage完成，也就是父stage的map操作全部完成才能去fetch数据。
2. Hadoop的Shuffle是sort-base的，那么不管是Map的输出，还是Reduce的输出，都是partion内有序的，而spark不要求这一点。
3. Hadoop的Reduce要等到fetch完全部数据，才将数据传入reduce函数进行聚合，而spark是一边fetch一边聚合。